인공 지능 (AI) - 시각 장애 스크리닝 모델 지원 : 커뮤니티 기반 구현 및 성능, 타당성 및 비용 평가.
2026년 3월 10일 업데이트: Tham Yih Chung, Singapore Eye Research Institute
이 관찰 연구의 목표는 커뮤니티 환경에서 시각 장애를위한 AI 지원 스크리닝 모델의 성능, 운영 효율성, 수용 가능성, 타당성 및 비용 효율성을 평가하는 것입니다. 대답하려는 주요 질문은 다음과 같습니다.
- AI-ASSISTED 스크리닝 모델이 현재 전통적인 스크리닝 접근법에 비해 스크리닝 및 추천 정확도를 향상시킬 수 있습니까?
- AI-지원 모델은 지역 사회 환경에서 운영 효율성을 향상시키고 의료 비용을 줄입니까?
연구원들은 AI 지원 모델을 현재 전통적인 스크리닝 접근법과 비교하여 스크리닝 정확도, 운영 효율성 및 비용 효율성에 미치는 영향을 평가할 것입니다.
참가자 :
- AI 지원 모델 또는 기존 모델을 사용하여 비전 스크리닝을 겪습니다.
- 스크리닝 접근법의 수용 가능성에 대한 피드백을 제공합니다.
- 각 스크리닝 방법과 관련된 타당성 및 비용을 평가하는 데 기여합니다.
연구 개요
연구 유형
중재적
등록 (추정된)
400
단계
- 해당 없음
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
Singapore
-
Singapore, Singapore, 싱가포르, 648201
- Pioneer Polyclinic
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
예
설명
포함 기준 :
- 50 세 이상의 개인.
제외 기준 :
- 50 세 미만의 개인.
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 무작위
- 중재 모델: 병렬 할당
- 마스킹: 더블
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: Ai-assisted
참가자는 AVIRI 모델 (망막 영상을 사용한 질병 관련 시각 장애 스크리닝에 대한 AI)을 사용하여 시각 장애 스크리닝을 겪게됩니다.
이 중재에는 인공 지능을 통한 자동 펀드 이미지 분석이 포함되어 시각 장애가 높은 개인을 선별하고 식별합니다.
|
질병 관련 시각 장애 사례의 탐지를위한 망막 사진 기반 딥 러닝 알고리즘
다른 이름들:
|
|
간섭 없음: 전통적인
참가자는 전통적인 스크리닝 모델을 사용하여 시각적 장애 스크리닝을 받게되며, 이는 초기 평가를 수행하는 검안사가 포함 된 후 수동 안저 이미지 평가를 기반으로 한 추천 결정이 포함됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
시각 장애의 탐지에 대한 Aviri의 성능
기간: 연구 완료를 통해 평균 1 년
|
주요 결과는 Expert Panels의 진단을 참조하여 VI (굴절 오차 관련 및 질병 관련 VI) 및 올바른 진료의 추천 속도입니다.
새로운 AI 지원 모델이 현재 기존 모델보다 더 나은 추천 정확도를 가지고 있는지 평가하기 위해 두 모델의 정확도, AUC 값, 감도, 특이성 및 기타 성능 지표를 계산하여 비교할 것입니다.
|
연구 완료를 통해 평균 1 년
|
2차 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
운영 효율성
기간: 연구 완료를 통해 평균 1 년
|
평가에는 (i) 환자 당 평균 선별 시간 및 (ii) 세션 당 선별 된 평균 환자 수가 포함됩니다.
|
연구 완료를 통해 평균 1 년
|
|
환자 수용 가능성
기간: 연구 완료를 통해 평균 1 년
|
환자 수용 가능성은 훈련 된 코디네이터가 관리하는 6 개 항목 설문지 (4 점 리 커트 척도 : '만족도'또는 '가능성')를 통해 평가됩니다.
|
연구 완료를 통해 평균 1 년
|
|
타당성에 대한 인식
기간: 연구 완료를 통해 평균 1 년
|
실현자를위한 최소 2 개의 포커스 그룹을 통해 타당성에 대한 인식이 평가되고 서비스 제공 업체와 하나는 CFIR (Consolidated Framework)에 의해 수행됩니다.
토론은 AI 스크리닝 모델의 채택에 영향을 미치는 장벽과 촉진자를 탐구합니다.
데이터는 CFIR 구성을 사용하는 두 명의 연구원에 의해 유도적이고 공제 적으로 코딩 될 것입니다. 불일치는 합의 나 세 번째 연구원을 통해 해결되었습니다.
|
연구 완료를 통해 평균 1 년
|
|
AI 지원 스크리닝 모델 구현 비용 절감
기간: 연구 완료를 통해 평균 1 년
|
연구원들은 활동 기반 원가 계산 (ABC) 접근법을 사용하여 PSS 모델을 통해 AI 지원 스크리닝 모델을 구현하는 점진적인 비용 절감을 정량화하여 각 스크리닝 모델의 주요 활동을 수행하는 데 필요한 각 평가를 수행하는 데 필요한 각 평가를 수행하는 데 필요한 각 평가를 수행하는 데 필요한 각 평가를 수행하는 데 필요한 모든 평가가 아닌 비용 (노동, 재료 및 용품 및 상각 기술 및 우주 유틸리티/ 임대 비용)을 정량화하는 ABC (Activity Resting) 접근법 (ABC) 접근 방식을 정량화 할 것입니다 (예 : Avirital On Avirital, Avirital Avirital). 시험 결과 등).
고정 비용은 입력의 예상 유효 수명 (즉,
고정 자산의 기대 수명과 관련된).
임상 평가 비용으로, 연구원들은 실제 비용을 근사 할 것으로 예상되므로 보조금이없는 청구서 크기를 사용할 것입니다.
|
연구 완료를 통해 평균 1 년
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2024년 6월 27일
기본 완료 (실제)
2026년 2월 27일
연구 완료 (추정된)
2026년 3월 31일
연구 등록 날짜
최초 제출
2025년 3월 7일
QC 기준을 충족하는 최초 제출
2025년 3월 10일
처음 게시됨 (실제)
2025년 3월 14일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2026년 3월 11일
QC 기준을 충족하는 마지막 업데이트 제출
2026년 3월 10일
마지막으로 확인됨
2026년 3월 1일
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .